清华大学重磅进展:生物3D打印类神经组织,实现脊髓损伤修复

3D打印技术参考注意到,来自清华大学材料学院和清华大学附属北京清华长庚医院神经外科的联合研究团队,在脊髓损伤修复方面取得重要进展。研究人员基于生物3D打印技术构建的动态生物活性类神经组织,被用于脊髓损伤修复,实现了神经干细胞的精确调控,显著促进了脊髓损伤后的神经再生和功能恢复。研究成果于1月8日在线发表在《生物活性材料》(Bioactive Materials)上。

e1b4a44ce73cb8f69ad885754c9f0d24.jpeg

https://doi.org/10.1016/j.bioactmat.2024.12.028

脊髓损伤后,大脑和周围器官之间的神经连接中断,导致损伤节段以下的感觉和运动功能丧失。这不仅严重影响患者的生活质量,还对家庭和社会带来巨大的经济负担。目前,脊髓损伤的传统临床治疗方式主要包括手术治疗、药物治疗和康复治疗等,但恢复效果有限。组织工程技术的迅速发展为脊髓损伤修复提供了新的策略,其中生物3D打印技术因其能够精确控制材料与细胞的分布,构建具有仿生结构的组织而备受关注

研究人员将神经干细胞与特定的生物材料混合,形成生物墨水,作为3D打印的材料。这些生物材料能够模拟神经系统细胞外基质,为神经干细胞提供适合的生长环境。清华大学指出,基质材料可高效传递指导性信号精准驱动神经干细胞的神经网络自组织进程,使替代物逐渐进化为真正的神经组织,从而实现受损神经组织及功能的完美替代

a0f265666c25059501a975eff4b011a9.jpeg

 动态活性生物墨水调控仿生神经组织的功能化神经网络构建分子机制

清华大学研究团队所配制的新型动态活性生物墨水,可增强3D打印微模块中“基质材料-神经干细胞”的相互作用,提升后者的机械敏感及传导能力,显著增强神经干细胞在3D基质内的机械感应、扩散、迁移和基质重塑能力,从而实现了对移植神经干细胞的精确控制。

研究人员利用3D打印技术,将生物墨水按照预设的模型逐层打印,形成具有仿生结构的类神经组织。打印过程中,可以通过调节打印参数(如打印速度、层厚等)来控制组织的形态和结构。打印完成后,研究人员对类神经组织进行了后处理,如交联、固化等,以提高其稳定性和生物相容性。

02b8bb4fa433ba2b0787042f58d61fd8.jpeg

生物3D打印动态活性仿生神经纤维促进脊髓损伤大鼠的运动与感觉功能恢复

在体内实验中,植入体内的生物3D打印仿生神经纤维能够有效促进神经发生和神经突触的形成,加速3D生物打印结构内功能性神经网络的自组织。实验结果表明,这种生物3D打印的动态活性仿生神经纤维显著恢复了脊髓损伤大鼠的运动和感觉功能。通过多种测试评估了大鼠的运动和感觉功能恢复情况,结果显示,接受构建体的大鼠在12周后表现出显著的运动功能改善和感觉功能恢复

该研究的成功不仅为脊髓损伤修复提供了一种新的可能性,还展示了生物3D打印技术在神经再生医学领域的巨大潜力。未来,随着技术的不断进步和研究的深入,相信这种生物3D打印动态活性仿生神经纤维将能够为更多脊髓损伤患者带来福音。

注:本文部分参考清华大学新闻。

欢迎转发

82868414f05e7130b45c11450b4c9ff4.jpeg

欢迎加入硕博千人交流Q群:248112776

延伸阅读:

1.重磅进展!我国生物3D打印皮肤已推广至连队,用于战伤救治(央视军事)

2.Science最新:3D打印有机硅弹性体,制造出高性能生物结构

3.3D打印,榜首!两院院士评选2024年世界十大科技进展新闻

4.2025年首篇增材Science:3D打印更强大架构材料—PAMs!

994ce43c20ed58a38afbfc819a098aea.gif

随着智能制造与工业机器人技术快速发展,三维视觉感知日益成为自动化产线核心需求。传统二维图像识别在杂乱场景、光照变化、遮挡方面面临挑战,难以满足工业无序抓取对六自由度位姿估计的精度要求。三维点云数据能直接描述物体空间几何结构,不受光照影响,但具有无序性、稀疏性、数据量大等特点。针对上述问题,本文提出LGGF-Net局部-全局几何特征融合网络,并基于Python、PyTorch、Open3D构建三维点云物体识别与位姿估计系统。系统采用模块化流水线设计,包含点云预处理、特征提取、物体识别、位姿估计、精度验证五大模块,预处理实现去噪、多分辨率下采样与归一化,位姿估计结合粗位姿回归与AHP-ICP精配准。核心创新有三方面:其一,LGGF-Net通过多尺度分组卷积提取局部几何细节,结合全局最大池化捕获整体形状上下文,在ModelNet40上分准确率达92.3%,较PointNet提升3.1个百分点;其二,AHP-ICP自适应混合精度配准算法根据点云重叠度和初始位姿置信度动态调整策略,在LineMOD上ADD指标达87.6%,较传统ICP提升12.4个百分点;其三,端到端流水线支持批量离线与实时在线两种模式,单帧推理时间控制在120毫秒以内。系统在ModelNet40与LineMOD数据集上从分准确率、位姿精度、推理效率、鲁棒性等维度全面评估,可应对遮挡、点云缺失和噪声干扰,并已在工业零件识别与机器人无序抓取场景完成应用验证,为智能制造三维视觉感知提供了有效技术支撑。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值